本研究提出FlowDistill框架，旨在解决城市交通流预测中的时空依赖性和数据不足问题。该框架通过知识蒸馏实现轻量化，显著提高了预测的准确性和效率。

本研究提出了GraphSparseNet框架，解决了图神经网络在交通流预测中的可扩展性问题。通过特征提取器和关系压缩器，显著降低了计算复杂性，训练时间比传统模型缩短了3.51倍。

本研究提出了一种结合3D建模与交通流模拟的框架，利用YOLO系统实时检测车辆，优化信号时机，从而提升交通流。结果显示，MARL代理在检测不完美的情况下仍能改善交通状况。

本研究解决了传统联邦学习方法在交通流预测中面临的挑战，尤其是在概念漂移导致性能下降的问题。提出的REFOL方法通过数据驱动的客户端参与机制和自适应在线优化策略，有效减少了计算和通信开销，同时优化了预测性能。实验结果表明，REFOL在预测精度和资源节省方面具有显著优势。

本研究提出了一种时空单元化模型（STUM），有效解决了交通流预测中空间与时间依赖性不足的问题。STUM通过自适应单元提高了预测的准确性和效率，实验结果表明其在多个数据集上表现优异。

本研究提出WardropNet，一种结合经典层和均衡层的神经网络，旨在提高交通流预测效率。通过监督学习，该方法减少了真实交通流与预测结果的差异。在实际和模拟交通中，WardropNet在时间不变预测上提升72%，在时间变化预测上提升23%。

该研究提出了一种新的方法来预测高速公路上的交通流量，通过数据归一化策略解决了数据不平衡问题，并利用图卷积网络和外部特征来捕捉时空特征，实验证明该方法在预测准确性方面有明显提升。

本文介绍了一种新的编码-解码体系结构，Fusion-GRU网络，用于未来边界框定位。该方法考虑了自车视角的目标交通参与方未来位置和尺度的复杂相互作用，并引入了中介估计器和自注意力聚合层来学习长期预测的时序依赖关系。实验结果表明Fusion-GRU在预测交通参与方未来边界框方面具有良好性能。

该研究利用混合Transformer和时空自监督学习的模型提高长期交通预测的鲁棒性。通过自适应数据增强技术增强模型的鲁棒性，利用Transformer克服循环神经网络的局限性，并采用Chebyshev多项式图卷积捕捉空间依赖关系。通过两个自监督学习任务建模时空异质性，提高模型准确性和泛化能力。实验结果证明该模型在真实数据集上表现出卓越性能。

STLinear是一种优化智能交通系统和智慧城市愿景的交通预测模型，通过节点嵌入方法、时间序列分解和周期性学习解决了计算复杂度、梯度问题和资源消耗性等挑战。实证研究表明，STLinear在真实世界数据集上表现出色，准确性超过领先的空间-时间图神经网络，并大幅减少了计算复杂度和计算开销。它是传统模型的有效替代方案，对智能交通系统和智慧城市倡议有深远影响。

我们提出了一种方法，通过随机化车辆跟随模型和变道模型的参数来随机化周围车辆的驾驶风格和行为。研究发现，该方法在高保真度微观交通流下的策略具有更高的成功率和更好的计算奖励。

该文介绍了一种新的空间-时间变换网络，利用图神经网络和自注意机制动态建模交通数据中的有向空间相关性，并利用长程双向时间依赖性来改善长期交通预测的准确性。实验结果表明，该模型在预测交通流量方面的性能要好于现有工作。

本文提出了一种新的多时空融合图循环网络(MSTFGRN)用于交通预测，通过数据驱动的加权邻接矩阵生成方法和双向时空融合操作来高效学习隐藏的空时依赖关系，并整合全局注意机制来同时捕获全局时空依赖性。实验结果表明，该方法在四个大规模真实世界交通数据集上实现了最先进的性能。

本研究结合神经网络和数值优化算法，实现了从交通流数据中推断出基于结构的约束，具有实时性和经济性。在大规模合成数据集和真实交通数据上验证了方法的稳定性和泛化能力。

本文研究了大型自动化仓库等场景下的智能体路径规划问题，提出了Rolling-Horizon Collision Resolution框架解决路径冲突。通过模拟仓库实例，与各种MAPF解算器比较，RHCR在多达1000个智能体的情况下，产生高质量的解决方案，优于现有工作。

该研究探讨了神经算子在预测紊流方面的应用，重点研究了傅立叶神经算子（FNO）模型。通过分析不同的模型配置，发现U-NET结构（UNO和U-FNET）在准确性和稳定性方面优于标准的FNO。梯度和稳定性损失等正则化项对于稳定而准确的预测至关重要。该研究强调了改进流体流动预测深度学习模型评估指标的必要性。进一步研究应该关注处理复杂流动和实际基准评估指标的模型。